ICLR 2026论文：TTT3R提升3D重建模型长度泛化能力
rsasaki0109 · x · 2026-07-31
这是一篇关于 3D 重建的 ICLR 2026 论文。现代循环神经网络（RNN）虽因线性时间复杂度在 3D 重建中表现出色，但在超出训练上下文长度时性能会显著下降。
作者从测试时训练的视角重新审视 3D 重建基础模型，将其转化为在线学习问题。通过利用记忆状态与输入观测之间的对齐置信度，推导出用于记忆更新的闭式学习率。这种无需训练的干预方法被称为 TTT3R，能够有效平衡历史信息保留与新观测适应，大幅提升了模型的长度泛化能力。
所属事件:ICLR 2026论文TTT3R通过测试时训练提升3D重建(2 条相关)→
「多模态」频道最新
- MiniMax H3 视频模型实测：文字稳定性惊艳 — ofLight111 · 2026-07-31
- MiniMax H3 视频模型登陆 Magnific，支持多图参考与运动控制 — aziz4ai · 2026-07-31
- MiniMax H3 视频模型登陆 Leonardo，支持音画同步生成 — aziz4ai · 2026-07-31
- MiniMax H3 视频模型登陆 Runware，原生同步音频 — aziz4ai · 2026-07-31
- 单图直出多机位大片，实测 Seedream 与 Seedance 视频生成 — aziz4ai · 2026-07-31
- 字节 Seedance 2.5 拓展工业应用：生成自动驾驶边缘场景 — hey_abusiddik · 2026-07-31